【技术实现步骤摘要】
一种基于用户长期兴趣和短期兴趣建模的会话推荐方法
[0001]本专利技术属于互联网服务
,尤其是涉及一种基于用户长期兴趣和短期兴趣建模的会话推荐方法。
技术介绍
[0002]推荐系统是基于用户的偏好,给用户推荐合适的物品或者服务。随着电商的发展,用户在平台上丰富的交互行为被记录下来,这里的交互行为包括:浏览、点击、加购、收藏和购买。这些记录可以帮助推荐系统去理解用户当前的动态兴趣和过去丰富且相对稳定静止的兴趣。
[0003]传统的推荐方法,例如基于内容的推荐方法和协同过滤方法,仅仅捕捉到用户的静态交互信息。实际上,用户交互活动是不断地更新的,而这种序列数据反映出用户兴趣的变化性。因此,基于序列数据的推荐方法吸引了越来越多的关注,会话推荐方法正是一种基于序列数据的推荐方法。会话是一段时间内的用户交互序列,会话推荐方法可以及时捕捉到用户兴趣的动态变化。很多方法只对用户当前会话进行建模,得到用户的兴趣表征,这样是远远不够的。仅仅从用户当前会话挖掘出用户的动态短期兴趣,数据极为稀疏,还应从历史数据中挖掘出用户的长期兴趣,共同得到用户的偏好。用户在当前会话中的兴趣较为单一,而用户的长期兴趣是多样的。如果从历史交互序列中抽取用户所有兴趣,而不考虑用户当前兴趣,会导致推荐的结果不符合用户当前的兴趣。如:用户当前对外套感兴趣,而用户历史上多次加购外套、水果和家具类的商品,此时推荐方法给用户推荐水果会降低用户的满意度。因此,推荐方法应该抽取出和当前兴趣有关系的长期兴趣,再结合用户当前兴趣,进行物品推荐。
[000 ...
【技术保护点】
【技术特征摘要】
1.一种基于用户长期兴趣和短期兴趣建模的会话推荐方法,其特征在于:根据用户当前会话中的物品序列,采用门控制循环神经网络获得用户短期兴趣;本方法采用门控循环单元网络(GRU)对用户当前会话中的物品序列进行建模,当前会话中的物品序列对应的向量表征为门控循环单元网络输出为用户短期兴趣表征p
short
;根据用户短期兴趣和用户历史偏好序列,采用时间注意力机制得到用户时间相关的长期兴趣;原始的注意力机制是不考虑时间因素的,本方法采用时间注意力机制,将原始注意力机制计算得到的注意力值和时间权重结合;使得最终用户历史偏好序列s
history
中每个物品的权重同时取决于两个因素:物品和用户短期兴趣的相关性以及该物品交互时间和当前会话交互时间之间的时间间隔;具体和时间相关的长期兴趣p
time
‑
relevent
计算公式如下:δ
j
=σ(w
t
log[t(s
current
)
‑
t(v
j
)]+b
t
)α
j
=softmax
j
(e
j
·
δ
j
)其中,x
j
是历史偏好序列中物品v
j
的向量表征,且v
j
∈s
history
;W
e
和q
e
分别是转换矩阵和转换向量,σ是sigmoid函数;e
j
是用户短期兴趣和历史偏好序列中物品v
j
的注意力值,代表了物品v
j
的重要程度和短期兴趣的相关度;系数e
j
是只考虑到物品v
j
和用户短期兴趣的语义相关性,而时间注意力值α
j
是综合了语义相关性系数e
j
和时间相关性系数δ
j
,且经过了softmax归一化处理;这里,时间相关性系数δ
j
是关于当前会话时间和物品v
j
交互时间间隔的函数,参数为标量w
t
和标量b
t
;注意,这里的时间函数t(s
current
)表示当前会话发生在当年的第几天;最后用户时间相关的长期兴趣p
time
‑
relevent
为历史偏好序列中所有物品的向量表征乘以对应时间注意力值α
j
的和;根据用户短期兴趣和和用户历史偏好序列,采用原始注意力机制得到用户时间无关的长期兴趣;本方法采用注意力机制从用户历史偏好序列中抽取出和用户当前的短期兴趣相关的用户长期兴趣p
time
‑
irrelevent
;注意力机制会给用户历史偏好序列中的每个物品分配一个权重,表示该物品和用户短期兴趣的相关性,具体公式为:α
j
=softmax
j
(e
j
)其中,x
j
是历史偏好序列中物品v
j
的向量表征,且v
j
∈s
history
;W1和q1分别是转换矩阵和转换向量;e
j
是用户短期兴趣和历史偏好序列中物品v
j
的注意力值,代表了物品v
j
的重要程度;得到历史偏好序列中所有物品的注意力值之后,对其进行softmax归一化,将注意力值归一化到[0,1]范围内,得到α
j
;最后历史偏好序列中所有物品的向量表征乘以对应的归一化后的注意力值的和,就...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。